# 飞机设计数据差三个数量级，这位前空客CTO决定自己造 > Training Data No. 49 中文精读 - 原标题：From Data Centers to Dyson Spheres: P-1 AI's Path to Hardware Engineering AGI - 发布日期：2025-05-27 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/049-from-data-centers-to-dyson-spheres-p-1-ai-s-path-to-hardware-2B6ygV.html - 精读字数：约 4894 字（阅读约 11 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 1903年，莱特兄弟的飞机离开地面。此后一百二十多年，人类总共设计过多少种飞机？Paul Eremenko给出的数字：大约一千种。 这个数字卡住了整个行业。要训练一个能回答「把A320机翼面积增大10%会怎样」的AI模型，理想情况需要几百万份飞机设计数据。哪怕把航空史上所有设计全部凑齐，再假设它们格式统一、语义完整，也远远不够。 Paul决定绕过这个死结。他当过DARPA战术技术办公室主任，35岁成为空客史上最年轻的CTO，2024年创办P-1 AI，目标是工程AGI：让AI接管硬件工程师脑子里那套活。公司九个月大的时候，他上了红杉的播客《Training Data》，带着自家的狗Lee，还有他们的产品，一个叫Archie的AI工程师。这期节目由红杉的Sonya Huang和Pat Grady主持，聊的是机会、数据瓶颈，以及Archie从数据中心散热器一路干到星际飞船的路线。 先看软件那边在发生什么。红杉的AI Ascent大会上，Jeff Dean说，一两年内AI就能当好一个24小时在线的初级软件工程师。Jeff Dean还是P-1的天使投资人。硬件这边呢？ Paul的回答很短：基本没动。 > 「我从小读硬科幻长大，书里承诺AI会帮我们建造身边的物理世界，最终造出星际飞船和戴森球。深度学习革命真正起来的时候，我问，谁在做这个东西？答案是没人做，它甚至不在那些基础实验室的议程上。今天，2025年，依然不在。」 ## 一千种飞机，喂不饱一个大模型 为什么没人做？Paul过去两年反复问自己这个问题，答案是训练数据。 软件AI可以爬整个互联网当教材。硬件AI没这个待遇。飞机设计不存在几百万份，就算存在，也散落在各家公司内部，格式互不相认。 P-1的解法是合成数据：用物理仿真加供应链信息，批量生成假设的设计方案，相当于自己印刷教材。方向听着直白，关键在采样策略。**主流设计周围要密集采样，设计空间的边缘和角落要稀疏采样。**那些犄角旮旯的方案，哪怕永远不会真的造出来，也能教会模型一件事：为什么不能去那儿。 有点像培养医生。只看健康人成不了大夫，得见过病，包括那些一辈子可能只碰到一例的病。 数据只是第一块砖。Paul的联合创始人Susmit Jha，2011年的博士论文写的就是程序合成，这个方向等了十几年才等来自己的产品市场契合。P-1打算直接站上代码AI的肩膀：**只要能把物理系统表示成程序，程序合成的技术就能拿来生成物理设计**。所以Paul的判断是，这事用不了十年十五年，技术砖块今年拼上，明年开始找产品市场契合。 ## Archie干的是什么活 Archie的目标可以概括成四个字：认知自动化。把人类工程师的思考流程搬进AI。 一个工程师设计物理系统时在干什么？Paul拆了几步：从一堆需求里提炼关键设计驱动因素，需求未必是系统级的，可能只是一个部件，但流程一样；提出一个或几个候选方案；做一阶估算；判断哪些物理效应要紧。飞机是多物理场系统，电、热、振动、电磁干扰，有时要紧，有时不要紧，好工程师的本事之一就是挑出要紧的那几个。最后，知道用什么工具做详细设计，工具的适用边界在哪，问题怎么设置。 这里有条清晰的边界。**P-1不碰工具层。**市面上的CAD、仿真、分析工具，Archie不替换、不改进、不竞争，它像人一样学会用这些工具，知道它们在哪、管用到哪，仅此而已。 实现路径是把所有工程任务简化成三类原语操作：设计评估，给一个方案，算出性能；设计综合，给一组性能需求，产出方案；找错与填充，发现设计问题并补上。任何工程查询，都能拆成这三类操作的某个序列。 架构是联邦式的。最上层一个编排推理LLM，负责把人类的任务拆成操作序列，同时充当用户界面。后面挂着一排专门模型，像车间里各工种的老师傅：图神经网络当物理代理模型，管性能空间；几何推理模型管相对位置、装配和干涉，简单的用传统算法就能做，复杂的交给视觉语言模型；还有一个Paul称为「切了脑叶的LLM」，为了做物理推理牺牲了语言能力，英文已经说不利索，但特别擅长把物理系统设计转成程序化表示，再在上面推理。 ## 每年涨一个数量级 公司九个月大，种子轮前，第一个demo做的是住宅制冷系统，家用空调那一类，已经公开。选它的理由很实际：多物理场够丰富，流体、气流、热、电都有，但组件数量少，物理大体能线性化，数据生成不会把团队拖死。 玩具只是练手，第一个真正的市场是数据中心散热系统。这个选择背后有个当下很扎眼的产业事实：**散热系统现在是数据中心建设的长周期关键件，卡着整个数据中心的交付节奏**。AI算力狂奔，反被散热拖住。客户急着要，工程带宽不够，每个数据中心都要半定制方案，交付速度被工程师的人数限死。 这是个理想的首战场：散热系统还是热机，跟家用空调同源，复杂度高一档，系统大约一千个独立零件，物理仍然可线性化，合成数据可控，客户热情还高。 之后的路线图按复杂度爬坡，**每年涨一个数量级**：数据中心散热之后是工业系统，物料搬运、工业机器人、机床；再往后是移动领域，汽车、农机、矿用机械；最后是航空航天与国防。飞机大约一百万个独立零件，跟数据中心散热之间隔着三个数量级。按P-1的估算，一个数量级，一年。 爬坡的核心工程是组件目录。目录好比乐高的零件库，要拼出所有可能的城堡，零件库得比任何一座城堡大得多。覆盖一个百万零件系统的设计空间，目录需要一亿到十亿个零件模型，比系统本身大两三个数量级。现在靠人工建，他们正在造自动化工具。 「供应链信息驱动」是这套方法里容易被忽略的部分。目录里的组件，要么对应真实供应链里存在的东西，要么是假设的新组件。创新有时就发生在「我需要一个还不存在的新电机、新压缩机」这一步，但你得知道它是什么，打算怎么弄到它。组件智能组装，逐个仿真拿到性能向量，训练集就成了。Paul强调组装得有章法，龙卷风刮过垃圾场，拼不出747。 ## 卖工作，不卖软件 Paul当过甲方，他知道向空客这类公司卖工程软件有多难。生态里有几百上千个工具，靠各种胶水代码连在一起，往里插一个新工具，集成成本极高。更关键的一笔账：**这类公司的劳动力预算，远大于工具软件预算**。要切就切人力那块，不切工具那块。 所以Archie的定位是员工，按加入团队来设计，目标是增强整个团队。使命写在明面上： > 「全球每一家大型工业公司里的每一个团队，都有一个Archie。」 交互方式刻意做到零摩擦：Archie出现在Slack或Teams上，你像给一个驻外初级工程师派活那样派活。不改流程，不做集成，团队里多了个成本更低的同事，有些事干得比人好，有些事可能更差。目标占位是工程人力的10%，先接那些人类觉得枯燥、重复的活。 名字也透着这个心思。Archie是字母A打头，方便后面排一个Bob、一个Charlotte、一个Daniel，阿基米德、建筑师这些词根也都藏在里面。给AI起人名，因为它要按人力的方式被雇用。 能力阶梯跟着商业模式走。第一步，用不涉客户专有数据的合成数据，把Archie训到初级工程师水平：受过大学教育，但不了解特定公司的产品和内部流程。先进门。签了数据共享协议之后，吃客户的PLM（产品生命周期管理）系统、模型库、真实运行数据、质量逃逸记录，从初级爬到平均，再到专家。 第一个用例是产品定制。数据中心散热行业管这叫specials，在现有产品平台上按客户的建筑规范和架构约束做半定制，每单都不太一样，大部分工程工时耗在这。这个模式能平移：空客很少从头画新飞机，大部分工程师做的是衍生型号和客户定制，特定的客舱、机上娱乐、驾驶舱配置。 Paul还画了一张组织层面的图。工程师的工作流程，从系统到子系统到零件，是分形复制的，整个工程组织就是照着产品结构长的。如果每个团队都有一个Archie，下一个问题是：**Archie之间的协作，能不能比人类团队之间的协作更高效**？它们可以说自己的行话。这是Paul设想的第一阶段红利：组织不动，产出变多，东西变便宜。Sonya追问，所以以后我能买得起一架飞机了？Paul笑了：也许吧。 ## 给AI工程师打分的尺子 物理工程AI没有现成评测，靠人聊两句说「感觉不错」不算数。P-1自己造了一套，叫Archie IQ，论文已经挂出来。框架借自1956年Benjamin Bloom提出的学习分类法，改成工程版金字塔，六层： - 记忆：记住信息。 - 理解：知道这个零件是干嘛的。 - 评估：改这个部件，性能会怎么变。 - 找错：发现设计里的错误并补全。 - 综合：做出全新设计，或对现有设计做大改。 - 反思：金字塔尖。 反思这层值得单独说。它指一种自我意识：我刚才用了什么流程？流程的局限在哪？有没有替代方案？我可能在哪儿出错了？ Paul说，现实中大部分工程师都做不好这一层，那是大公司里顶级技术专家的领地。P-1把这层定义为EAGI，工程AGI的顶点。 AGI还有另一个轴：跨领域泛化，不重新训练就能换领域。两个轴，任选其一定义AGI，P-1想两个都要。评测会同时发给初级、平均、专家级的人类工程师和Archie，形成闭环，把Archie沿着刻度往上推。这套尺子的价值在于，它把「AI能不能当工程师」从感觉题变成了刻度题。 ## 几个反直觉的判断 第一，不需要科研突破。Paul明确说，他们做的是应用研究，把前沿实验室的现成成果拼起来。瓶颈在算力：生成合成数据靠CPU仿真，训练和推理靠GPU，今天的算力做不了一百万零件的系统，但方向上没有未解之谜。 第二，随机性没那么可怕。红杉合伙人Konstantine Buhler有个说法叫随机心态：模型天然带概率性。Sonya补充，我可以vibe coding一个网页应用，坏了没什么；vibe coding一架飞机，坏了是灾难。Paul的回答很妙：**人类工程师也很随机**。初级工程师会犯错，不可重复。现有工程组织本来就靠层层评审、里程碑、测试兜底，初级工程师犯的错，不至于弄垮一架飞机。只要Archie的错误率跟人类相当或更好，就能嵌进现有流程。他们打算今年试点时把这个错误率量化出来。 第三，人形机器人，Yes。逻辑跟Archie一脉相承：不追最优形态，追最容易嵌入现有环境。机器人如此，AI工程师也如此。Paul在闪电轮里还补了一句，物理AI已经很近了，机器人加吃真实传感器数据的基础模型，这两块积木对P-1也是关键。 第四，LLM缺了触觉。Paul观察人类婴儿怎么认识世界：先是触觉、味觉、听觉，然后视觉，然后语言，高阶的工程推理和空间推理建在这些感官之上。深度学习复制了神经结构，却因为数据可得性，从语言开始爬，跳过了触觉、味觉、听觉。他特别看好做传感器数据基础模型的公司，比如Archetype，他前谷歌同事创办，模型已经能从传感器数据里反推背后的物理规律。**只有语言和视觉，撑不起工程AGI。** 第五，去重读阿西莫夫的机器人系列。Paul认为机器人三定律是想得极深的东西，需要以某种形式深埋进模型里，解决对齐问题。 顺带一个细节。P-1走出隐身模式官宣时，找以色列和洛杉矶的工作室EyeMix做过一支两分钟的Archie小传短片，全程AI生成，两周做完，成本约为传统制作的五十分之一。Paul说他被震到了。一家造AI工程师的公司，先被AI生成的视频震到了。 最后，给几条明天就能用上的。 - 判断一家AI公司，先看它怎么解决数据问题。软件AI吃互联网存量，硬件AI必须自己造数据。P-1的配方值得记下：物理仿真打底，供应链信息约束，采样主流密、边缘疏。 - 向重工业公司卖东西，先算预算的账。劳动力预算大于工具预算，新工具集成成本极高。卖工作，比卖软件好使。 - 用布鲁姆金字塔给自己团队的AI能力打分：它现在能记住、能理解、能评估，还是能找错、能综合？离反思那层差几级，差距就是下一步该补的东西。 - 盯住数据中心散热。AI扩张已经卡在散热上，长周期件出现的地方，就是机会出现的地方。 Paul不敢预测三年以外的事。但北极星没变：Archie先提效现有工程组织，让东西更便宜；等它强到能设计人类设计不出来的东西，科幻书里的星际飞船和戴森球才真正开工。这条路还有多远，明年这个时候见分晓：看Archie的IQ涨了几级，看散热系统的订单里，有没有它的名字。